简述
接下来介绍几种opencv常用的滤波器，将介绍它们详细的原理，并且也会给出相应的代码段，但是演示图片就不放出来了，毕竟还是比较简单的。
均值滤波器
均值滤波器是一种低通滤波器，也是线性滤波器。对于一幅图像，我们都知道其像素阈值在0-255，通常来讲，滤波器所用的一个滤波模板都为奇数，这里我们以3*3为例：
中间黄色部分即为滤波器的模板（卷积核），其将用于与图像进行卷积进而滤波，对于均值滤波器，顾名思义，其像素点为中间九个像素值的均值，从而将整个图像的像素用这个均值像素代替。
给出示例代码：
import cv2
import matplotlib.pyplot as plt
import numpy as np
min = cv2.imread("1.jpg")
min = cv2.blur(min,(3,3))
cv2.imshow("result", min)
cv2.waitKey(0)
cv2.destroyAllWindows()方框滤波器
事实上，方框滤波器与均值滤波器是基本上一样的：
import cv2
import matplotlib.pyplot as plt
import numpy as np
min = cv2.imread("1.jpg")
min = cv2.boxFilter(min,-1,(3,3),normalize=True)
cv2.imshow("result", min)
cv2.waitKey(0)
cv2.destroyAllWindows()boxFilter则为i方框滤波函数，当
normalize=True
它就完全相当于是一个均值滤波器，滤波像素值计算方法也是均值计算，如图：
但是当
normalize=False
其并非均值，而是卷积核中所有的像素值相加，不除9，那么对于大于255的值，它会全取255进行代替，如图：
高斯滤波
先来了解一下高斯函数，实际上完全就是一个正态分布函数：
我简单解释一下高斯滤波的原理，仍然以最上面的那个数字图为例，假设中间的204为中心点，高斯滤波的原理就是距离中心点最近其权重系数越大，就类似这样一个图：
对应于：
那么距离204越近则其权重系数越大，它跟均值滤波还是有很大不同的，均值滤波对于204周围的75和24这两个较小值非常的不友好，会导致误差较大。但是高斯滤波表示，离我近的，吃嘛嘛香，离我远的，说话分量就没有那么重了，不管你值有多大或者多小。我们看一下代码：
import cv2
import matplotlib.pyplot as plt
import numpy as np
min = cv2.imread("1.jpg")
min = cv2.GaussianBlur(min,(3,3),1)
cv2.imshow("result", min)
cv2.waitKey(0)
cv2.destroyAllWindows()
中值滤波
顾名思义，找中位数嘛，仍然以那个图为例，我们将值从小到大排列一下：
24 75 78 104 113 121 154 204 235
那么中间值就是113了。
当然了，相比大家也发现了，中值滤波器卷积核大小必定要是奇数的，否则就没有所谓的中值，也会报错。
中值滤波对于去除椒盐噪声特别的有效，我们先来看一下椒盐噪声的原理：
椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声是指两种噪声，一种是盐噪声（salt noise）盐=白色(255)，另一种是胡椒噪声（pepper noise），椒=黑色(0)。前者是高灰度噪声，后者属于低灰度噪声。一般两种噪声同时出现，呈现在图像上就是黑白杂点。对于彩色图像，则表现为在单个像素BGR三个通道随机出现的255与0，如下图所示。
事实上就是取值为0和255的，这两种很极端的数值。
而中值滤波的取值恰恰是中间值，所以会将这些极端值过滤掉，代码如下：
import cv2
import matplotlib.pyplot as plt
import numpy as np
min = cv2.imread("3.jpg")
result = cv2.medianBlur(min,5)
cv2.imshow("ori",min)
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()如图：
可以看到效果十分明显
